XiaoMi-AI文件搜索系统
World File Search System提取技术
引用：Ali Q, Heldal I, Helgesen CG, et al. 支持视力筛查的技术：范围审查协议。BMJ Open 2021；11:e050819。
摘要 简介 视力问题影响学业成绩、社交和心理健康。大多数传统视力筛查方法依赖于基于一组视力测试的人工专家评估。随着技术的进步，新的仪器和计算机工具可用于补充视力筛查。基于该协议的范围界定审查旨在研究当前的视力筛查技术、哪些视力测试可以通过技术补充，以及这些技术如何通过提供测量来支持视力筛查。 方法与分析 计划中的审查将使用 PRISMA 范围界定审查扩展 (PRISMA-ScR) 工具。将在包括 Web of Science、MEDLINE（Ovid）、Scopus、Engineering Village、Cochrane 和 Embase 在内的数据库中进行电子搜索。我们将在选定的参考数据库中进行系统搜索，不受出版日期或研究国家/地区的限制。参考文献管理软件（如 EndNote 和 DistillerSR）将用于删除重复的条目。两位作者将独立分析研究以确定是否符合纳入资格。冲突将通过讨论解决。我们将提取技术类型、它们所补充的视力测试类型以及所纳入研究的测量值。总体发现将通过主题分析和映射到逻辑模型来综合。伦理与传播本次审查不需要伦理批准，因为它将仅总结现有的已发布数据。我们将在开放获取的同行评审期刊上发表研究结果。我们希望审查结果对视力筛查专家、开发人员、研究人员和政策制定者有用。
无线脑机接口尖峰检测算法的硬件评估
摘要 — 当前，植入式脑机接口 (BMI) 的趋势是增加通道数量，以改进信息传输速率的下一代设备。然而，这会增加有线或无线系统的原始数据带宽，最终影响功率预算（和热耗散）。因此，植入物上的特征提取和/或压缩对于降低数据速率至关重要，但处理能力令人担忧。皮层内 BMI 的一种常见特征提取技术是尖峰检测。在这项工作中，我们通过实证比较了三种硬件高效的尖峰强调器、非线性能量算子 (NEO)、幅度斜率算子 (ASO) 和导数能量 (ED) 以及两种常见的统计阈值机制（使用平均值或中位数）的性能、资源利用率和功耗。我们还提出了一种新颖的中位数近似法来解决中位数算子硬件效率不高的问题。这些都已在可重构硬件 (FPGA) 上实现和评估，以估计它们在最终 ASIC 设计中的硬件效率。我们的结果表明，采用平均阈值的 ED 提供了最高效的硬件（低功耗/资源）选择，而使用中值则具有更高的检测精度和更高的阈值乘数设置稳健性的优势。这项工作意义重大，因为它是首次实现和比较硬件和算法权衡，在将算法转化为硬件实例以设计无线植入式 BMI 之前必须做出这些权衡。
儿童的自闭症检测：叙事分析中的机器学习和自然语言处理
摘要：尽管达成共识，即早期鉴定会导致自闭症谱系障碍患者（ASD）的更好结果，但最近的研究表明，希腊人口诊断的平均诊断年龄大约为六年。但是，对于来自低收入或少数族裔背景的家庭而言，这种诊断年龄被延迟了两年。这些差异会导致对干预结果的不利影响，这对ASD儿童经常消费和劳动密集型的语言评估进一步负担。至关重要的需要，可以增加对早期评估和诊断的访问，这将是严格且客观的。当前的研究利用了人工智能的能力开发一个可靠且实用的模型，以根据其叙事和词汇技能将ASD的儿童与典型的同龄人区分开来。我们将基于自然语言处理的提取技术应用于自动获取语言特征（叙事和词汇技巧），从68名ASD和52个儿童的讲故事和52个通常开发的儿童的儿童的讲故事，然后在儿童结合的叙事和表现力的词汇数据上训练了机器学习模型，以有效地与典型的儿童区分典型的儿童。根据调查结果，该模型可以区分ASD与通常开发的儿童，获得96％的精度。具体而言，与决策树和梯度增强模型相比，在使用的模型中，历史梯度提升和XGBoost的性能略高，尤其是在准确性和F1得分方面。这些结果旨在为ASD儿童（尤其是那些获得早期识别服务访问权限的儿童）部署机器学习技术。
高分辨率卫星图像
摘要 ：遥感卫星图像在数量、质量和应用方面发展迅速，用于检测和提取地球表面各种自然和人工特征，如车辆、建筑物、树木、道路、水、飞机、船舶。这些卫星图像为城市规划、灾害管理和环境管理等各种应用提供了重要信息。研究人员引入了不同的算法和方法来从卫星图像中提取指定的特征。在城市场景中，建筑物是最重要的基本结构之一，在城市发展、城市规划、气候研究、灾害管理、地图制作、土地利用分析和变化检测领域发挥着重要作用。该研究的目的是采用机器学习算法提取建筑物足迹。各种研究讨论了提取建筑物足迹的各种方法然而，从大都市提取建筑物屋顶一直是一项艰巨的任务，因为建筑物屋顶具有不同的形状、大小和光谱特性。除此之外，其他城市特征，如道路、荒地等，也表现出与建筑物屋顶相似的光谱特性。因此，建筑物提取技术已成为一个重要而棘手的研究问题，并得到了更好的认可。所提出的技术使用机器学习算法对建筑物和非建筑物像素进行分类。为了消除错误检测的建筑物像素，使用了中值滤波、形态学算子和连通分量标记。该技术已根据像素和基于对象的标准进行评估，同时考虑了精度、召回率、建筑物（城市对象）的质量。
分辨率卫星图像
摘要：遥感卫星图像在数量、质量和应用方面发展迅速，可用于检测和提取地球表面各种自然和人工特征，如（车辆、建筑物、树木、道路、水、飞机、船舶）。这些卫星图像为城市规划、灾害管理和环境管理等各种应用提供了重要信息。研究人员引入了不同的算法和方法来从卫星图像中提取指定的特征。在城市场景中，建筑物是最重要的基本结构之一，在城市发展、城市规划、气候研究、灾害管理、地图制作、土地利用分析和变化检测领域发挥着重要作用。本研究旨在采用机器学习算法提取建筑物足迹。各种研究讨论了提取建筑物足迹的各种方法然而，从大都市提取建筑物屋顶一直是一项艰巨的任务，因为建筑物屋顶具有不同的形状、大小和光谱特性。除此之外，其他城市特征，如道路、荒地等。表现出与建筑物屋顶相似的光谱特性。因此，建筑物提取技术已成为一个重要且棘手的研究问题，并得到了更好的认可。所提出的技术使用机器学习算法对建筑物和非建筑物像素进行分类。为了消除错误检测的建筑物像素，使用了中值滤波、形态学算子和连通分量标记。该技术已通过像素和基于对象的标准进行评估，同时考虑了精度、召回率、建筑物（城市对象）的质量。
使用脑电图...
摘要： - 压力显着影响心理和身体健康，使得准确的检测对于提高生产力和福祉至关重要。脑电图（EEG）已成为用于压力分析的关键工具，提供了一种无创，具有成本效益和时间精确的方法来评估大脑活动的方法。本文审查了使用机器学习（ML）和深度学习（DL）技术的压力检测进步。传统的压力检测方法，例如自我报告和主观调查，面临可靠性和可伸缩性的限制。相比之下，ML和DL模型，包括长期短期记忆（LSTM），卷积神经网络（CNN）和混合体系结构，表现出了出色的特征提取和分类精度。研究报告了使用高级信号处理和混合框架的分类精度超过95％。然而，在优化计算效率，降低算法复杂性以及验证各种实时数据集的模型方面仍然存在挑战。本评论突出了创新特征提取技术和混合ML-DL模型的潜力，以解决这些差距，为健壮，可扩展和实时应力检测系统铺平了道路。通过克服当前的局限性，未来的研究可以为心理健康管理和预防性护理策略做出重大贡献。本文提供了最新进步的全面概述，并概述了基于EEG的压力检测研究中未来的方向。
快速的体外多瘤病毒DNA复制测定
传统上，采用多瘤病毒DNA复制分析的选择性低分子量DNA提取HIRT提取方法，一种多步骤，劳动密集型和耗时的程序。DNA复制结果在复制样品之间通常不一致。为了提高多瘤病毒DNA复制测定法的效率和可重复性，我们使用Qiagen自旋柱技术和HIRT提取技术比较了DNA质量和产量。在转染后第2、4和第6天收集了用SV40 DNA转染的CV-1细胞，并使用Qiagen自旋柱和HIRT提取方法提取DNA。使用32个P线性的全长SV40 DNA探针进行了南部杂交。病毒DNA复制进行定量，并比较了两个程序获得的结果。Southern印迹分析显示，使用Qiagen自旋柱技术恢复了一致和增强的SV40 DNA恢复，并且在6天期间的病毒DNA复制在一式三份样品中可重现。此外，Qiagen自旋柱技术减少了从24小时获得多瘤病毒复制测定的高质量DNA所需的时间。采用这种提取程序将改善多瘤病毒DNA复制活性的确定，同时减少研究者对有毒有机化合物的暴露和处置。©2004 Elsevier B.V.保留所有权利。
使用基于小波散射的特征对酒精性脑电图进行分类
在研究问题和相关数据集之后，特征提取是机器学习和数据科学管道的最重要组成部分。小波散射变换（WST）是最近开发的基于知识的特征提取技术，在结构上像卷积神经网络（CNN）一样。它保存在高频中，对信号变形不敏感，并产生分类任务中通常需要的实价信号的较低差异。借助来自公共可用UCI数据库的数据，我们研究了从多通道脑电图（EEG）信号中提取的基于WST的功能的能力，以区分20名酗酒和20个男性健康的男性的男性受试者的1.0-S EEG记录。使用记录的10倍交叉验证，我们发现输入到支持向量机（SVM）分类器的基于WST的特征能够正确对所有酒精和正常EEG记录进行正确分类。使用1D CNN实现了类似的性能。相比之下，最高的独立主题平均值10倍跨验证性能是通过馈送到线性判别（LDA）分类器的基于WST的特征实现的。使用两种10倍的交叉验证方法获得的结果表明，WST与CON CON CONTAILAL分类器一起是CNN的替代品，用于对酒精和正常脑电图分类。在区分酒精和正常的脑电图记录方面，枕骨和顶部区域的基于WST的特征是最有用的。
MPAR-RCNN：具有属性识别的多人检测的多任务网络
多标签属性识别是计算机视觉中的一项关键任务，应用程序范围在不同的领域。这个问题通常涉及检测具有多个属性的对象，需要具有高级差异和精细的特征提取的复杂模型。对象检测和属性识别的集成通常依赖于诸如双阶段网络之类的方法，其中准确的预测取决于高级特征提取技术，例如感兴趣的区域（ROI）池。为了满足这些要求，在统一框架中既可以实现可靠的检测和属性进行分类，这是必不可少的。这项研究介绍了一个创新的MTL框架，旨在将多人属性识别（MPAR）纳入单模型体系结构中。命名为MPAR-RCNN，该框架通过空间意识到的，共享的骨干，促进效果和准确的多标签预测来符合对象检测和属性识别任务。与传统的基于快速区域的卷积神经网络（R-CNN）不同，该网络（R-CNN）分别管理人的检测和归因于双阶段网络的分类，MPAR-RCNN体系结构在单个结构中优化了两个任务。在更宽的（用于事件识别的Web图像数据集）数据集上进行了验证，提出的模型展示了对当前最新ART（SOTA）体系结构的改进，展示了其在推进多标签属性识别方面的潜力。
使用深度学习方法对酒精性EEG信号进行分类
摘要 - 大多数传统的酒精中毒检测方法都是基于基于机器学习的方法开发的，这些方法无法从不同层中提取脑电图（EEG）信号的深层隐藏特性。因此，本研究旨在引入一种基于深倾的方法，该方法可以自动识别酒精脑电图信号。它还探讨了手工制作的特征提取方法是否值得应用于酒精中毒分类的深度学习技术。为了调查这一点，本文介绍了两种基于深度学习的算法，用于分类酒精性脑电图信号以进行比较。在算法1中，基于主成分分析（PCA）的特征提取技术已应用于提取代表性的组件，然后将提取的特征用作人工神经网络（ANN）进行分类的输入。在算法2中，原始的脑电图数据直接用作深度学习方法的输入：“长期记忆（LSTM）用于检测酒精中毒。对所提出的算法进行了公开可用的UCI酒精脑电图数据集测试。实验结果表明，提出的算法2可以达到93％的平均分类精度，而该算法的准确性为86％。使用最新算法的比较评估表明，算法2还优于文献中其他相互竞争的算法。因此，将深度学习算法应用于原始数据时，可以比手工制作的特征方法和深倾斜算法的组合产生更好的性能。我们提出的系统可用于确定与酒精中语相关的EEG信号变化的程度以及治疗计划的有效性。